BRISSARD_TSO

Projet: Programmation sous R – Sujet B : anime.zip

Partie 1

Question 1

Proposer un code permettant de regrouper les données contenues dans anime.zip dans un seul et même data.frame.

Pour pouvoir charger des fichiers csv et les fusionner en un seul tableau, il faut que : 1. ils soient tous au même endroit (dans un même dossier); 2. les variables (ou colonnes) soit identiques (nom et type).

Dans notre situation, les fichiers sont dans le même dossier “anime” et possèdent les mêmes colonnes, mais lorsque nous essayons de charger tous les fichiers en même temps, une erreur sort. Effectivement, un des fichiers ne possède pas le même type que les autres pour la colonne ‘episode’. Le fichier “anime_Unkwown” a une variable ‘episode’ de type character et non pas double comme les autres fichiers.

anime_num <- list.files(path = "anime", full.names = TRUE) %>% 
  lapply(read_csv) %>% 
  bind_rows 

Nous avons chargé et fusionné tous les fichiers “anime_x” (‘episode’ de type double) ensemble (rappel : ils sont dans le même dossier).

anime_unknown <- read_csv("anime_Unknown.csv", 
                                 col_types = cols(episodes = col_double()))

Puis nous chargeons le dernier fichier, “anime_Unkwown” (qu’on a sorti du dossier), en précisant que nous voulons que la variable ‘episode’ soit de type double (traduit alors par des NA.).

animes <- rbind(anime_num, anime_unknown)
animes

## # A tibble: 12,294 × 10
##    anime_id name     genre    type  episodes rating members rating_10 rating_100
##       <dbl> <chr>    <chr>    <chr>    <dbl>  <dbl>   <dbl>     <dbl>      <dbl>
##  1    32281 Kimi no… Drama, … Movie        1   9.37  200630      9.37       128.
##  2    15335 Gintama… Action,… Movie        1   9.1    72534      9.1        122.
##  3    28851 Koe no … Drama, … Movie        1   9.05  102733      9.05       121.
##  4      199 Sen to … Adventu… Movie        1   8.93  466254      8.93       121.
##  5    12355 Ookami … Fantasy… Movie        1   8.84  226193      8.84       130.
##  6      164 Mononok… Action,… Movie        1   8.81  339556      8.81       126.
##  7     7311 Suzumiy… Comedy,… Movie        1   8.81  240297      8.81       126.
##  8    28957 Mushish… Adventu… Movie        1   8.75   32266      8.75       120.
##  9      431 Howl no… Adventu… Movie        1   8.74  333186      8.74       116.
## 10    31757 Kizumon… Action,… Movie        1   8.73   34347      8.73       120.
## # … with 12,284 more rows, and 1 more variable: rating_1000 <dbl>

Enfin, nous regroupeons les deux dataframes précédents dans un unique dataframe que l’on nomme “animes”. Nous avons donc un dataframe composé de 12294 observations, pour 10 variables.

Question 2

Observer pour chaque variable, le nombre et la proportion de valeurs manquantes.

#     Pour toute la table
# nombre
table(is.na(animes))

## 
##  FALSE   TRUE 
## 121593   1347

# proportion
sum(is.na(animes))/prod(dim(animes))

## [1] 0.01095656

#     Pour chaque variable 
# nombre 
summary(animes)

##     anime_id         name              genre               type          
##  Min.   :    1   Length:12294       Length:12294       Length:12294      
##  1st Qu.: 3484   Class :character   Class :character   Class :character  
##  Median :10260   Mode  :character   Mode  :character   Mode  :character  
##  Mean   :14058                                                           
##  3rd Qu.:24794                                                           
##  Max.   :34527                                                           
##                                                                          
##     episodes           rating          members          rating_10     
##  Min.   :   1.00   Min.   : 1.670   Min.   :      5   Min.   : 1.670  
##  1st Qu.:   1.00   1st Qu.: 5.880   1st Qu.:    225   1st Qu.: 5.880  
##  Median :   2.00   Median : 6.570   Median :   1550   Median : 6.570  
##  Mean   :  12.38   Mean   : 6.474   Mean   :  18071   Mean   : 6.474  
##  3rd Qu.:  12.00   3rd Qu.: 7.180   3rd Qu.:   9437   3rd Qu.: 7.180  
##  Max.   :1818.00   Max.   :10.000   Max.   :1013917   Max.   :10.000  
##  NA's   :340       NA's   :230                        NA's   :230     
##    rating_100      rating_1000    
##  Min.   : 22.26   Min.   : 167.0  
##  1st Qu.: 82.09   1st Qu.: 588.0  
##  Median : 91.85   Median : 657.0  
##  Mean   : 90.62   Mean   : 647.4  
##  3rd Qu.:100.66   3rd Qu.: 718.0  
##  Max.   :142.29   Max.   :1000.0  
##  NA's   :230      NA's   :230

sapply(animes, function(x) sum(is.na(x)))

##    anime_id        name       genre        type    episodes      rating 
##           0           0          62          25         340         230 
##     members   rating_10  rating_100 rating_1000 
##           0         230         230         230

# proportion
colMeans(is.na(animes))

##    anime_id        name       genre        type    episodes      rating 
## 0.000000000 0.000000000 0.005043110 0.002033512 0.027655767 0.018708313 
##     members   rating_10  rating_100 rating_1000 
## 0.000000000 0.018708313 0.018708313 0.018708313

Dans la colonne type, nous avons 25 valeurs ‘NA’. Nous décidons de changer ces valeurs ‘NA’ en un autre type nommé “Other” et qui nous sera utile par la suite.

animes <- animes %>% replace_na(list(type = 'Other'))

Question 3

Représenter graphiquement la distribution du nombre d’épisodes.

Tout d’abord, nous regroupons les lignes concernées : les animes de type TV.

anime_tv <- animes[animes$type %in% "TV", ]   
anime_tv

## # A tibble: 3,787 × 10
##    anime_id name     genre    type  episodes rating members rating_10 rating_100
##       <dbl> <chr>    <chr>    <chr>    <dbl>  <dbl>   <dbl>     <dbl>      <dbl>
##  1    32935 Haikyuu… Comedy,… TV          10   9.15   93351      9.15       127.
##  2    24701 Mushish… Adventu… TV          10   8.88   75894      8.88       120.
##  3    21939 Mushish… Adventu… TV          10   8.8   101351      8.8        124.
##  4    22145 Kuroshi… Comedy,… TV          10   8.37  122895      8.37       116.
##  5    29095 Grisaia… Drama, … TV          10   8.08  111962      8.08       108.
##  6    30831 Kono Su… Adventu… TV          10   8.03  244877      8.03       111.
##  7      397 Seikai … Action,… TV          10   7.97   13888      7.97       105.
##  8    19703 Kyousou… Action,… TV          10   7.95   67732      7.95       110.
##  9    15315 Mondaij… Comedy,… TV          10   7.85  218231      7.85       111.
## 10    24135 Nobunag… Histori… TV          10   7.79   25167      7.79       108.
## # … with 3,777 more rows, and 1 more variable: rating_1000 <dbl>

ggplot(anime_tv) +
  aes(x = episodes) +
  geom_density(alpha=0.3, colour = "mediumseagreen", fill = "mediumseagreen") + 
  theme_linedraw() 

Pour pouvoir capter plus d’informations, il est plus pertinent de séparer les animes en deux groupes : le premier groupes contenant les animes ayant moins de 100 épisodes ‘tv_inf’, et le second contenant ceux de 100 épisodes ou plus ‘tv_sup’.

tv_inf <- subset (anime_tv, episodes < 100)
tv_sup <- subset (anime_tv, episodes >= 100)

ggplot(tv_inf) +
  aes(x = episodes) +
  geom_density(alpha=0.3, colour = "mediumseagreen", fill = "mediumseagreen") + 
  theme_linedraw() 

ggplot(tv_sup) +
  aes(x = episodes) +
  geom_density(alpha = 0.3, colour = "mediumseagreen", fill = "mediumseagreen") + 
  theme_linedraw() 

Question 4

Combien d’animes n’ont pas le genre ‘Shounen’ ?

length(which(animes["genre"] == 'Shounen'))

## [1] 9

Lorsque nous lançons ce code, nous n’obtenons que 9 animes de genre ‘Shounen’, cela est du au fait que R prend chaque valeur de la colonne comme étant un seul genre, même lorsque plusieurs genres sont listés.

nb_shounen <- sum(str_detect(animes$genre,'Shounen'), na.rm = TRUE)
nb_shounen

## [1] 1776

non_shounen = nrow(animes) - nb_shounen
non_shounen

## [1] 10518

Parmi les 12294 animes, 10518 ne possèdent pas le genre ‘Shounen’.

Question 5

Donner la proportion de ‘Shounen’ au sein de chaque type d’anime.

genre_split <- data.frame(do.call("rbind", strsplit(as.character(animes$genre), ", ", fixed = FALSE)))

Ce code permet de faire ressortir le caractère héréditaire des valeurs de R, qui entre alors en compte. Nous savons donc qu’il y a 13 genres au maximum pour un anime, et lorsqu’il y en a moins, chaque genre sera répété jusqu’à 13 fois. Il faut donc séparer chaque genre, et faire en sorte que les genres ne soient pas répétés.

Finalement, nous ne gardons que le premier genre de chaque anime, dans une variable nommée “main_genre”.

animes <- separate(animes, genre, into = "main_genre", sep = ", ")

Le nombre d’occurence est comptée pour chaque genre d’anime par type avec la fonction tabyl. Les résultats sont stockés dans le dataframe genre_df.

Pour trouver le nombre de genre ‘Shounen’ par type :

genre_df %>% 
  filter(main_genre == "Shounen")

##   main_genre Movie Music ONA Other OVA Special TV
## 1    Shounen    11     0   3     0   9       9 17

/! Remarque :

Avec uniquement le genre principal, nous ne trouvons que 49 animes de genre ‘Shounen’ (au lieu de 1776 précédemment). Ce problème sera relevé dans la question 11.

sum(str_detect(animes$main_genre, 'Shounen'), na.rm = TRUE)

## [1] 49

Question 6

Créer une fonction permettant de donner la proportion d’un genre quelconque au sein de chaque type d’anime.

func_gcount <- function(x){
  genre_df %>% 
  filter(main_genre == x)
}

func_gcount("Shoujo")

##   main_genre Movie Music ONA Other OVA Special TV
## 1     Shoujo     0     0   1     0   3       6  3

Il suffit d’écrire func_gcount(x), x étant le nom d’un genre, à écrire avec des guillemets.

Question 7

Proposer une représentation graphique permettant d’observer au sein de chaque type d’anime, quels genres sont les plus représentés.

top_genre <- animes %>%
  group_by(main_genre) %>%
  summarise(count = n()) %>%
  top_n(n = 10, wt = count)

top_genres <- c("Comedy", "Action", "Adventure", "Drama", "Hentai", "Fantasy", "Music", "Kids", "Dementia", "Historical")

animes %>%
 filter((main_genre %in% top_genres) & !is.na(main_genre)) %>%
 filter(!is.na(type)) %>%
  ggplot() + 
  geom_point(aes(x = type, y = main_genre, fill = main_genre, color = main_genre), 
            size = 1, alpha = 0.5) +
  labs(
    x = "Type",
    y = "Genre",
    title = "Representation of genre by type"
  ) +
  facet_grid(~type, scales="free_x") +
  theme(plot.title = element_text(hjust = 0.5)) +
  theme_linedraw() 

Avec ce type de représentation, nous n’avons pas le nombre (ou count). Nous pouvons donc faire plus précis…

animes %>%
  filter((main_genre %in% top_genres) & !is.na(main_genre)) %>%
  filter(!is.na(type)) %>%
  ggplot() + 
  geom_jitter(aes(x = type, y = main_genre, fill = main_genre, color = main_genre), alpha = 0.5) +
  labs(
    x = "Type",
    y = "Genre",
    title = "Representation of genre by type"
  ) +
  facet_grid(~type, scales = "free_x") + 
  theme(plot.title = element_text(hjust = 0.5)) +
  theme_linedraw()

…Ou utiliser un autre type de représentation, qui sera plus parlante : l’histogramme.

animes %>%
  filter((main_genre %in% top_genres) & !is.na(main_genre)) %>%
  filter(!is.na(type)) %>%
  ggplot() + 
  geom_bar(aes(x = type, fill = main_genre), position = "dodge") +
  labs(
    x = "Type",
    y = "Genre",
    title = "Representation of genre by type"
  ) +
  facet_grid(~type, scales="free_x") +
  theme(plot.title = element_text(hjust = 0.5)) +
  theme_linedraw() +
  theme(legend.position="bottom")

Ici, nous avons volontairement choisi de séparer le comptage pour chaque genre (position = “dodge”) : ainsi, le nombre count ressort séparément pour chaque genre. Sans cette option, les genres seraient positionnés les uns au dessus des autres.

Question 8

Pour toutes les variables de types « rating ». Calculer la moyenne, la médiane, l’écart type, la mad (median absolute deviation), le coefficient de variation, la valeur maximum et la valeur minimum. Représentez graphiquement ces résultats.

Il s’agit des variables : ‘rating’, ‘rating_10’, ‘rating_1000’, ’‘rating_1000’’.

Calculs de la moyenne, la médiane, la valeur maximum et la valeur minimum.

#Création d'un vecteur contenant les variable pour pouvoir filtrer le dataframe
ratings <- c('rating', 'rating_10', 'rating_100', 'rating_1000')

#Summary appliqué sur les variables d'animes contenues dans le vecteur ratings
stat_animes <- do.call(cbind, lapply(animes %>% select_if(colnames(animes) %in% ratings), summary))
stats_animes <- as.data.frame(stat_animes)

Il nous manque trois des statistiques demandées [l’écart type, la median absolute deviation, le coefficient de variation] : celles-ci ne sont pas dans la fonction summary().

Nous les calculons donc à l’aide de fonctions:

# Fonction pour la median absolute deviation :

mad_stat <- function(x){
  animes %>% 
  select_if(colnames(animes) %in% ratings)
  mad <- mad(x, center = 1, constant = 1.4826, na.rm = TRUE, low = FALSE, high = FALSE) 
  return(mad)
}

rating <- mad_stat(animes$rating)
rating_10 <- mad_stat(animes$rating_10)
rating_100 <- mad_stat(animes$rating_100)
rating_1000 <- mad_stat(animes$rating_1000)

#R ésultats regroupés dans un dataframe

mad <- cbind(rating,rating_10, rating_100, rating_1000) 

# Fonction pour l'écart-type :

sd_stat <- function(x){
  animes %>% 
  select_if(colnames(animes) %in% ratings)
  sd <- sd(x,na.rm=TRUE)
  return(sd)
}

rating <- sd_stat(animes$rating) 
rating_10 <- sd_stat(animes$rating_10)
rating_100 <- sd_stat(animes$rating_100)
rating_1000 <- sd_stat(animes$rating_1000)

sd <- cbind(rating,rating_10, rating_100, rating_1000)

# Fonction pour le coefficient de variation :

cv_stat <- function(x){
  animes %>% 
  select_if(colnames(animes) %in% ratings)
  cv <- (sd(x,na.rm=TRUE)/mean(x,na.rm=TRUE))*100
  return(cv)
}

rating <- cv_stat(animes$rating)
rating_10 <- cv_stat(animes$rating_10)
rating_100 <- cv_stat(animes$rating_100)
rating_1000 <- cv_stat(animes$rating_1000)

cv <- cbind(rating,rating_10, rating_100, rating_1000)

# Concaténation des statistiques supplémentaires avec celles récupérées du summary().

stats_animes <- rbind(stats_animes, mad, sd, cv)

# Les lignes ainsi ajoutées sont renommées comme suit : 

rownames(stats_animes) <- c("Min.", "1st Qu.", "Median", "Mean", "3rd Qu.", "Max.", "NA's", "Mad", "Sd", "Cv")
stats_animes

##             rating  rating_10 rating_100 rating_1000
## Min.      1.670000   1.670000   22.26028   167.00000
## 1st Qu.   5.880000   5.880000   82.08920   588.00000
## Median    6.570000   6.570000   91.85196   657.00000
## Mean      6.473902   6.473902   90.62368   647.39017
## 3rd Qu.   7.180000   7.180000  100.65867   718.00000
## Max.     10.000000  10.000000  142.28624  1000.00000
## NA's    230.000000 230.000000  230.00000   230.00000
## Mad       8.258082   8.258082  134.69711   972.58560
## Sd        1.026746   1.026746   14.63098   102.67463
## Cv       15.859776  15.859776   16.14476    15.85978

Représentation graphiques des résultats.

Rating <- animes %>%
 filter(!is.na(main_genre)) %>%
 ggplot() +
  aes(x = "", y = rating) +
  geom_boxplot(shape = "circle", fill = "mediumseagreen") +
  labs(
    x = "Rating",
    y = "Distribution",
    title = "Distribution de ‘rating’ "
  ) +
  theme_linedraw() +
  theme(plot.title = element_text(hjust = 0.5))

Rating_10 <- animes %>%
 filter(!is.na(main_genre)) %>%
 ggplot() +
  aes(x = "", y = rating_10) +
  geom_boxplot(shape = "circle", fill = "mediumseagreen") +
  labs(
    x = "Rating_10",
    y = "Distribution",
    title = "Distribution de ‘rating_10’ "
  ) +
  theme_linedraw() +
  theme(plot.title = element_text(hjust = 0.5))

Rating_100 <- animes %>%
 filter(!is.na(main_genre)) %>%
 ggplot() +
  aes(x = "", y = rating_100) +
  geom_boxplot(shape = "circle", fill = "mediumseagreen") +
  labs(
    x = "Rating_100",
    y = "Distribution",
    title = "Distribution de ‘rating_100’ "
  ) +
  theme_linedraw() +
  theme(plot.title = element_text(hjust = 0.5))

Rating_1000 <- animes %>%
 filter(!is.na(main_genre)) %>%
 ggplot() +
  aes(x = "", y = rating_1000) +
  geom_boxplot(shape = "circle", fill = "mediumseagreen") +
  labs(
    x = "Rating_1000",
    y = "Distribution",
    title = "Distribution de ‘rating_1000’ "
  ) +
  theme_linedraw() +
  theme(plot.title = element_text(hjust = 0.5))

plot_grid(Rating, Rating_10, Rating_100, Rating_1000, labels = '', ncol = 4)

Question 9

Proposer une représentation graphique permettant d’observer s’il existe une différence de notation en fonction du genre d’anime.

Comme précédemment, nous continuerons ici à n’utiliser que les genres principaux.

Genre_rating <- animes %>%
  filter((main_genre %in% top_genres) & !is.na(main_genre)) %>%
  ggplot() +
  aes(x = main_genre, y = rating, fill = main_genre) +
  geom_boxplot(shape = "circle") +
  scale_fill_hue(direction = 1) +
  # coord_flip() +
  theme_minimal() +
  ylim(0, 10) +
  theme(legend.position = "none", axis.text.x = element_text(angle = 90))

Genre_rating10 <- animes %>%
  filter((main_genre %in% top_genres) & !is.na(main_genre)) %>%
  ggplot() +
  aes(x = main_genre, y = rating_10, fill = main_genre) +
  geom_boxplot(shape = "circle") +
  scale_fill_hue(direction = 1) +
  # coord_flip() +
  theme_minimal() +
  ylim(0, 10) +
  theme(legend.position = "none", axis.text.x = element_text(angle = 90))

Genre_rating100 <- animes %>%
  filter((main_genre %in% top_genres) & !is.na(main_genre)) %>%
  ggplot() +
  aes(x = main_genre, y = rating_100, fill = main_genre) +
  geom_boxplot(shape = "circle") +
  scale_fill_hue(direction = 1) +
  # coord_flip() +
  theme_minimal() +
  ylim(0, 100) +
  theme(legend.position = "none", axis.text.x = element_text(angle = 90))

Genre_rating1000 <- animes %>%
  filter((main_genre %in% top_genres) & !is.na(main_genre)) %>%
  ggplot() +
  aes(x = main_genre, y = rating_1000, fill = main_genre) +
  geom_boxplot(shape = "circle") +
  scale_fill_hue(direction = 1) +
  theme_minimal() +
  ylim(0, 1000) +
  theme(legend.position = "none", axis.text.x = element_text(angle = 90))

plot_grid(Genre_rating, Genre_rating10, Genre_rating100, Genre_rating1000, labels = "AUTO", ncol = 4)

Avec ce type de représentation, nous pouvons visuellement comparer les notes moyennes, minimum et maximum obtenues pour chaque genre, par type.

Question 10

Pour chaque genre d’anime, représenter graphiquement le top 10 des animes les mieux notés.

Nous cherchons le top 10 des animes par genre parmi les 10 genres les plus représentés dans notre échantillon.

top_anime <- animes %>% 
  arrange(desc(rating)) %>% 
  group_by(main_genre) %>% slice(1:10)

top_anime

## # A tibble: 338 × 10
## # Groups:   main_genre [41]
##    anime_id name   main_genre type  episodes rating members rating_10 rating_100
##       <dbl> <chr>  <chr>      <chr>    <dbl>  <dbl>   <dbl>     <dbl>      <dbl>
##  1     5114 Fullm… Action     TV          64   9.26  793665      9.26       133.
##  2    28977 Ginta… Action     TV          51   9.25  114262      9.25       131.
##  3     9969 Ginta… Action     TV          51   9.16  151266      9.16       128.
##  4    11061 Hunte… Action     TV         148   9.13  425855      9.13       131.
##  5    15417 Ginta… Action     TV          13   9.11   81109      9.11       128.
##  6    15335 Ginta… Action     Movie        1   9.1    72534      9.1        122.
##  7      918 Ginta… Action     TV         201   9.04  336376      9.04       129.
##  8     2904 Code … Action     TV          25   8.98  572888      8.98       123.
##  9     1575 Code … Action     TV          25   8.83  715151      8.83       120.
## 10       44 Rurou… Action     OVA          4   8.83  129307      8.83       124.
## # … with 328 more rows, and 1 more variable: rating_1000 <dbl>

Nous pouvons ensuite effectuer un graphique représentant les top 10 de chaque genre.

top_anime %>%
  filter((main_genre %in% top_genres) & !is.na(main_genre)) %>%
  ggplot() +
  aes(x = main_genre, y = rating) +
  geom_point(alpha = 0.7,shape = "circle", colour = "mediumseagreen") +
  scale_fill_hue(direction = 1) +
  theme_minimal() +
  ylim(6.87, 10) +
  theme(legend.position="none",axis.text.x = element_text(angle = 90)) +
  facet_grid(~main_genre, scales = "free_x") 

Pour avoir le détails de chaque animes avec leur nom, nous avons créé une fonction. Pour l’utiliser, il suffit d’entrer comme argument x le nom du genre souhaité entre guillemets.

func_top_anime <- function(x){
  top_anime %>%
    filter((main_genre %in% c(x)) & !is.na(main_genre)) %>%
    ggplot() + 
    geom_col(aes(x = name, y = rating, fill = name), position = "dodge") +
    theme(plot.title = element_text(hjust = 0.5)) +
    theme_linedraw() +
    theme(legend.position = "right") +
    facet_grid(~main_genre, scales = "free_x") +
    theme(axis.text.x = element_blank(),
          axis.ticks.x = element_blank())
}

func_top_anime("Kids")

Question 11

Etablir une critique sur les données et les statistiques que vous avez produites. Proposer éventuellement d’autres analyses pour compléter.

Nous remarquons qu’à un caractère spécial près ou à une date près indiquée entre parenthèses, il existe des doublons. Cependant, par manque d’information dans les bases de données fournies, il nous est impossible de traiter ces doublons. Nous supposons que certains constituent des remakes d’animes préexistant mais ne pouvons le confirmer en l’absence d’une variable date. Si une telle variable nous était fournie nous aurions pu traiteer les doublons de la colonne ‘Name’.

Notre second problème est la présence de plusieurs genres séparés par des virgules dans la colonne ‘genre’. Nous avons effectuées les questions en choissisant de ne sélectionner que le premier genre, pensant que celui-ci était le genre principal de l’anime. Cependant, après nous être rendu compte que les genres étaient uniquement classés par ordre alphabétique, nous décidons de proposer un traitement différent de cette variable.

Nous nous proposons de créer des variables dummy pour chaque genre, afin de pouvoir prendre en compte tous les genres pour chaque anime en remplaçant les valeurs manquantes ‘NA’ par 0.

animes_bonus <- rbind(anime_num, anime_unknown)

Dum <- function(x){
  flg <- ifelse(str_detect(animes_bonus$genre, as.character(x)), 1, 0) 
  flg <- replace_na(flg, 0)
  return(flg)
}

animes_bonus$Drama <- Dum("Drama")
animes_bonus$Action <- Dum("Action")
animes_bonus$Adventure <- Dum("Adventure")
animes_bonus$Fantasy <- Dum("Fantasy")
animes_bonus$Comedy <- Dum("comedy")
animes_bonus$Sci_Fi <- Dum("Sci-Fi")
animes_bonus$Military <- Dum("Military")
animes_bonus$Romance <- Dum("Romance")
animes_bonus$Mystery <- Dum("Mystery")
animes_bonus$Dementia <- Dum("Dementia")
animes_bonus$Music <- Dum("Music")
animes_bonus$Mecha <- Dum("Mecha")
animes_bonus$School <- Dum("School")
animes_bonus$Game <- Dum("Game")
animes_bonus$Historical <- Dum("Historical")
animes_bonus$Cars <- Dum("Cars")
animes_bonus$Shounen <- Dum("Shounen")
animes_bonus$Harem <- Dum("Harem")
animes_bonus$Horror <- Dum("Horror")
animes_bonus$Martial_Arts <- Dum("Martial Arts")
animes_bonus$Ecchi <- Dum("Ecchi")
animes_bonus$Kids <- Dum("Kids")
animes_bonus$Slice_of_Life <- Dum("Slice of Life")
animes_bonus$Demons <- Dum("Demons")
animes_bonus$Magic <- Dum("Magic")
animes_bonus$Sports <- Dum("Sports")
animes_bonus$Shoujo <- Dum("Shoujo")
animes_bonus$Psychological <- Dum("Psychological")
animes_bonus$Police <- Dum("Police")
animes_bonus$Thriller <- Dum("Thriller")
animes_bonus$Parody <- Dum("Parody")
animes_bonus$Supernatural <- Dum("Supernatural")
animes_bonus$Seinen <- Dum("Seinen")
animes_bonus$Samurai <- Dum("Samurai")
animes_bonus$Super_Power <- Dum("Super Power")
animes_bonus$Vampire <- Dum("Vampire")
animes_bonus$Josei <- Dum("Josei")
animes_bonus$Hentai <- Dum("Hentai")
animes_bonus$Yaoi <- Dum("Yaoi")
animes_bonus$Space <- Dum("Space")
animes_bonus$Shoujo_Ai <- Dum("Shoujo Ai")
animes_bonus$Shounen_Ai <- Dum("Shounen Ai")
animes_bonus$Yuri <- Dum("Yuri")

summary(animes_bonus)

##     anime_id         name              genre               type          
##  Min.   :    1   Length:12294       Length:12294       Length:12294      
##  1st Qu.: 3484   Class :character   Class :character   Class :character  
##  Median :10260   Mode  :character   Mode  :character   Mode  :character  
##  Mean   :14058                                                           
##  3rd Qu.:24794                                                           
##  Max.   :34527                                                           
##                                                                          
##     episodes           rating          members          rating_10     
##  Min.   :   1.00   Min.   : 1.670   Min.   :      5   Min.   : 1.670  
##  1st Qu.:   1.00   1st Qu.: 5.880   1st Qu.:    225   1st Qu.: 5.880  
##  Median :   2.00   Median : 6.570   Median :   1550   Median : 6.570  
##  Mean   :  12.38   Mean   : 6.474   Mean   :  18071   Mean   : 6.474  
##  3rd Qu.:  12.00   3rd Qu.: 7.180   3rd Qu.:   9437   3rd Qu.: 7.180  
##  Max.   :1818.00   Max.   :10.000   Max.   :1013917   Max.   :10.000  
##  NA's   :340       NA's   :230                        NA's   :230     
##    rating_100      rating_1000         Drama           Action      
##  Min.   : 22.26   Min.   : 167.0   Min.   :0.000   Min.   :0.0000  
##  1st Qu.: 82.09   1st Qu.: 588.0   1st Qu.:0.000   1st Qu.:0.0000  
##  Median : 91.85   Median : 657.0   Median :0.000   Median :0.0000  
##  Mean   : 90.62   Mean   : 647.4   Mean   :0.164   Mean   :0.2314  
##  3rd Qu.:100.66   3rd Qu.: 718.0   3rd Qu.:0.000   3rd Qu.:0.0000  
##  Max.   :142.29   Max.   :1000.0   Max.   :1.000   Max.   :1.0000  
##  NA's   :230      NA's   :230                                      
##    Adventure        Fantasy           Comedy      Sci_Fi      
##  Min.   :0.000   Min.   :0.0000   Min.   :0   Min.   :0.0000  
##  1st Qu.:0.000   1st Qu.:0.0000   1st Qu.:0   1st Qu.:0.0000  
##  Median :0.000   Median :0.0000   Median :0   Median :0.0000  
##  Mean   :0.191   Mean   :0.1878   Mean   :0   Mean   :0.1684  
##  3rd Qu.:0.000   3rd Qu.:0.0000   3rd Qu.:0   3rd Qu.:0.0000  
##  Max.   :1.000   Max.   :1.0000   Max.   :0   Max.   :1.0000  
##                                                               
##     Military          Romance          Mystery           Dementia      
##  Min.   :0.00000   Min.   :0.0000   Min.   :0.00000   Min.   :0.00000  
##  1st Qu.:0.00000   1st Qu.:0.0000   1st Qu.:0.00000   1st Qu.:0.00000  
##  Median :0.00000   Median :0.0000   Median :0.00000   Median :0.00000  
##  Mean   :0.03465   Mean   :0.1191   Mean   :0.04026   Mean   :0.01952  
##  3rd Qu.:0.00000   3rd Qu.:0.0000   3rd Qu.:0.00000   3rd Qu.:0.00000  
##  Max.   :1.00000   Max.   :1.0000   Max.   :1.00000   Max.   :1.00000  
##                                                                        
##      Music             Mecha             School             Game        
##  Min.   :0.00000   Min.   :0.00000   Min.   :0.00000   Min.   :0.00000  
##  1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000  
##  Median :0.00000   Median :0.00000   Median :0.00000   Median :0.00000  
##  Mean   :0.06995   Mean   :0.07679   Mean   :0.09924   Mean   :0.01472  
##  3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.00000  
##  Max.   :1.00000   Max.   :1.00000   Max.   :1.00000   Max.   :1.00000  
##                                                                         
##    Historical           Cars             Shounen           Harem        
##  Min.   :0.00000   Min.   :0.000000   Min.   :0.0000   Min.   :0.00000  
##  1st Qu.:0.00000   1st Qu.:0.000000   1st Qu.:0.0000   1st Qu.:0.00000  
##  Median :0.00000   Median :0.000000   Median :0.0000   Median :0.00000  
##  Mean   :0.06556   Mean   :0.005856   Mean   :0.1445   Mean   :0.02578  
##  3rd Qu.:0.00000   3rd Qu.:0.000000   3rd Qu.:0.0000   3rd Qu.:0.00000  
##  Max.   :1.00000   Max.   :1.000000   Max.   :1.0000   Max.   :1.00000  
##                                                                         
##      Horror         Martial_Arts         Ecchi              Kids       
##  Min.   :0.00000   Min.   :0.00000   Min.   :0.00000   Min.   :0.0000  
##  1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.0000  
##  Median :0.00000   Median :0.00000   Median :0.00000   Median :0.0000  
##  Mean   :0.03001   Mean   :0.02156   Mean   :0.05181   Mean   :0.1309  
##  3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.0000  
##  Max.   :1.00000   Max.   :1.00000   Max.   :1.00000   Max.   :1.0000  
##                                                                        
##  Slice_of_Life         Demons            Magic             Sports       
##  Min.   :0.00000   Min.   :0.00000   Min.   :0.00000   Min.   :0.00000  
##  1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000  
##  Median :0.00000   Median :0.00000   Median :0.00000   Median :0.00000  
##  Mean   :0.09924   Mean   :0.02391   Mean   :0.06328   Mean   :0.04417  
##  3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.00000  
##  Max.   :1.00000   Max.   :1.00000   Max.   :1.00000   Max.   :1.00000  
##                                                                         
##      Shoujo        Psychological         Police           Thriller       
##  Min.   :0.00000   Min.   :0.00000   Min.   :0.00000   Min.   :0.000000  
##  1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.000000  
##  Median :0.00000   Median :0.00000   Median :0.00000   Median :0.000000  
##  Mean   :0.05303   Mean   :0.01863   Mean   :0.01602   Mean   :0.007077  
##  3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.000000  
##  Max.   :1.00000   Max.   :1.00000   Max.   :1.00000   Max.   :1.000000  
##                                                                          
##      Parody         Supernatural         Seinen           Samurai       
##  Min.   :0.00000   Min.   :0.00000   Min.   :0.00000   Min.   :0.00000  
##  1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000  
##  Median :0.00000   Median :0.00000   Median :0.00000   Median :0.00000  
##  Mean   :0.03319   Mean   :0.08435   Mean   :0.04449   Mean   :0.01204  
##  3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.00000  
##  Max.   :1.00000   Max.   :1.00000   Max.   :1.00000   Max.   :1.00000  
##                                                                         
##   Super_Power         Vampire             Josei              Hentai       
##  Min.   :0.00000   Min.   :0.000000   Min.   :0.000000   Min.   :0.00000  
##  1st Qu.:0.00000   1st Qu.:0.000000   1st Qu.:0.000000   1st Qu.:0.00000  
##  Median :0.00000   Median :0.000000   Median :0.000000   Median :0.00000  
##  Mean   :0.03782   Mean   :0.008297   Mean   :0.004392   Mean   :0.09281  
##  3rd Qu.:0.00000   3rd Qu.:0.000000   3rd Qu.:0.000000   3rd Qu.:0.00000  
##  Max.   :1.00000   Max.   :1.000000   Max.   :1.000000   Max.   :1.00000  
##                                                                           
##       Yaoi              Space           Shoujo_Ai          Shounen_Ai      
##  Min.   :0.000000   Min.   :0.00000   Min.   :0.000000   Min.   :0.000000  
##  1st Qu.:0.000000   1st Qu.:0.00000   1st Qu.:0.000000   1st Qu.:0.000000  
##  Median :0.000000   Median :0.00000   Median :0.000000   Median :0.000000  
##  Mean   :0.003172   Mean   :0.03099   Mean   :0.004474   Mean   :0.005287  
##  3rd Qu.:0.000000   3rd Qu.:0.00000   3rd Qu.:0.000000   3rd Qu.:0.000000  
##  Max.   :1.000000   Max.   :1.00000   Max.   :1.000000   Max.   :1.000000  
##                                                                            
##       Yuri         
##  Min.   :0.000000  
##  1st Qu.:0.000000  
##  Median :0.000000  
##  Mean   :0.003416  
##  3rd Qu.:0.000000  
##  Max.   :1.000000  
## 

Les réponses aux questions 4 à 6 et 10 sont donc retravaillées sur la dataframe ‘animes_bonus’ ainsi obtenu :

Question 11.4

not_shounen <- length(animes_bonus$name) - sum(animes_bonus$Shounen)
not_shounen

## [1] 10518

On retrouve bien 10518 animes ne possédant pas le genre ‘Shounen’.

Question 11.5

Pour trouver le nombre de genre ‘Shounen’ par type :

shounen_df[2,] 

##   Shounen Movie Music ONA OVA Special  TV NA_
## 2       1   380     0  22 371     263 736   4

Question 11.6

Fonction qui compte le nombre d’animes par type.

dumcount <- function(x){
  animes_bonus %>% 
  group_by(type) %>% 
  count(colname=x)
}

dumcount("Drama")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Drama    2348
## 2 Music   Drama     488
## 3 ONA     Drama     659
## 4 OVA     Drama    3311
## 5 Special Drama    1676
## 6 TV      Drama    3787
## 7 <NA>    Drama      25

dumcount("Action")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Action   2348
## 2 Music   Action    488
## 3 ONA     Action    659
## 4 OVA     Action   3311
## 5 Special Action   1676
## 6 TV      Action   3787
## 7 <NA>    Action     25

dumcount("Adventure")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname       n
##   <chr>   <chr>     <int>
## 1 Movie   Adventure  2348
## 2 Music   Adventure   488
## 3 ONA     Adventure   659
## 4 OVA     Adventure  3311
## 5 Special Adventure  1676
## 6 TV      Adventure  3787
## 7 <NA>    Adventure    25

dumcount("Fantasy")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Fantasy  2348
## 2 Music   Fantasy   488
## 3 ONA     Fantasy   659
## 4 OVA     Fantasy  3311
## 5 Special Fantasy  1676
## 6 TV      Fantasy  3787
## 7 <NA>    Fantasy    25

dumcount("comedy")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   comedy   2348
## 2 Music   comedy    488
## 3 ONA     comedy    659
## 4 OVA     comedy   3311
## 5 Special comedy   1676
## 6 TV      comedy   3787
## 7 <NA>    comedy     25

dumcount("Sci-Fi")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Sci-Fi   2348
## 2 Music   Sci-Fi    488
## 3 ONA     Sci-Fi    659
## 4 OVA     Sci-Fi   3311
## 5 Special Sci-Fi   1676
## 6 TV      Sci-Fi   3787
## 7 <NA>    Sci-Fi     25

dumcount("Military")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname      n
##   <chr>   <chr>    <int>
## 1 Movie   Military  2348
## 2 Music   Military   488
## 3 ONA     Military   659
## 4 OVA     Military  3311
## 5 Special Military  1676
## 6 TV      Military  3787
## 7 <NA>    Military    25

dumcount("Romance")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Romance  2348
## 2 Music   Romance   488
## 3 ONA     Romance   659
## 4 OVA     Romance  3311
## 5 Special Romance  1676
## 6 TV      Romance  3787
## 7 <NA>    Romance    25

dumcount("Mystery")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Mystery  2348
## 2 Music   Mystery   488
## 3 ONA     Mystery   659
## 4 OVA     Mystery  3311
## 5 Special Mystery  1676
## 6 TV      Mystery  3787
## 7 <NA>    Mystery    25

dumcount("Dementia")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname      n
##   <chr>   <chr>    <int>
## 1 Movie   Dementia  2348
## 2 Music   Dementia   488
## 3 ONA     Dementia   659
## 4 OVA     Dementia  3311
## 5 Special Dementia  1676
## 6 TV      Dementia  3787
## 7 <NA>    Dementia    25

dumcount("Music")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Music    2348
## 2 Music   Music     488
## 3 ONA     Music     659
## 4 OVA     Music    3311
## 5 Special Music    1676
## 6 TV      Music    3787
## 7 <NA>    Music      25

dumcount("Mecha")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Mecha    2348
## 2 Music   Mecha     488
## 3 ONA     Mecha     659
## 4 OVA     Mecha    3311
## 5 Special Mecha    1676
## 6 TV      Mecha    3787
## 7 <NA>    Mecha      25

dumcount("School")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   School   2348
## 2 Music   School    488
## 3 ONA     School    659
## 4 OVA     School   3311
## 5 Special School   1676
## 6 TV      School   3787
## 7 <NA>    School     25

dumcount("Game")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Game     2348
## 2 Music   Game      488
## 3 ONA     Game      659
## 4 OVA     Game     3311
## 5 Special Game     1676
## 6 TV      Game     3787
## 7 <NA>    Game       25

dumcount("Historical")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname        n
##   <chr>   <chr>      <int>
## 1 Movie   Historical  2348
## 2 Music   Historical   488
## 3 ONA     Historical   659
## 4 OVA     Historical  3311
## 5 Special Historical  1676
## 6 TV      Historical  3787
## 7 <NA>    Historical    25

dumcount("Cars")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Cars     2348
## 2 Music   Cars      488
## 3 ONA     Cars      659
## 4 OVA     Cars     3311
## 5 Special Cars     1676
## 6 TV      Cars     3787
## 7 <NA>    Cars       25

dumcount("Shounen")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Shounen  2348
## 2 Music   Shounen   488
## 3 ONA     Shounen   659
## 4 OVA     Shounen  3311
## 5 Special Shounen  1676
## 6 TV      Shounen  3787
## 7 <NA>    Shounen    25

dumcount("Harem")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Harem    2348
## 2 Music   Harem     488
## 3 ONA     Harem     659
## 4 OVA     Harem    3311
## 5 Special Harem    1676
## 6 TV      Harem    3787
## 7 <NA>    Harem      25

dumcount("Horror")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Horror   2348
## 2 Music   Horror    488
## 3 ONA     Horror    659
## 4 OVA     Horror   3311
## 5 Special Horror   1676
## 6 TV      Horror   3787
## 7 <NA>    Horror     25

dumcount("Martial Arts")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname          n
##   <chr>   <chr>        <int>
## 1 Movie   Martial Arts  2348
## 2 Music   Martial Arts   488
## 3 ONA     Martial Arts   659
## 4 OVA     Martial Arts  3311
## 5 Special Martial Arts  1676
## 6 TV      Martial Arts  3787
## 7 <NA>    Martial Arts    25

dumcount("Ecchi")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Ecchi    2348
## 2 Music   Ecchi     488
## 3 ONA     Ecchi     659
## 4 OVA     Ecchi    3311
## 5 Special Ecchi    1676
## 6 TV      Ecchi    3787
## 7 <NA>    Ecchi      25

dumcount("Kids")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Kids     2348
## 2 Music   Kids      488
## 3 ONA     Kids      659
## 4 OVA     Kids     3311
## 5 Special Kids     1676
## 6 TV      Kids     3787
## 7 <NA>    Kids       25

dumcount("Slice of Life")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname           n
##   <chr>   <chr>         <int>
## 1 Movie   Slice of Life  2348
## 2 Music   Slice of Life   488
## 3 ONA     Slice of Life   659
## 4 OVA     Slice of Life  3311
## 5 Special Slice of Life  1676
## 6 TV      Slice of Life  3787
## 7 <NA>    Slice of Life    25

dumcount("Demons")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Demons   2348
## 2 Music   Demons    488
## 3 ONA     Demons    659
## 4 OVA     Demons   3311
## 5 Special Demons   1676
## 6 TV      Demons   3787
## 7 <NA>    Demons     25

dumcount("Magic")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Magic    2348
## 2 Music   Magic     488
## 3 ONA     Magic     659
## 4 OVA     Magic    3311
## 5 Special Magic    1676
## 6 TV      Magic    3787
## 7 <NA>    Magic      25

dumcount("Sports")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Sports   2348
## 2 Music   Sports    488
## 3 ONA     Sports    659
## 4 OVA     Sports   3311
## 5 Special Sports   1676
## 6 TV      Sports   3787
## 7 <NA>    Sports     25

dumcount("Shoujo")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Shoujo   2348
## 2 Music   Shoujo    488
## 3 ONA     Shoujo    659
## 4 OVA     Shoujo   3311
## 5 Special Shoujo   1676
## 6 TV      Shoujo   3787
## 7 <NA>    Shoujo     25

dumcount("Psychological")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname           n
##   <chr>   <chr>         <int>
## 1 Movie   Psychological  2348
## 2 Music   Psychological   488
## 3 ONA     Psychological   659
## 4 OVA     Psychological  3311
## 5 Special Psychological  1676
## 6 TV      Psychological  3787
## 7 <NA>    Psychological    25

dumcount("Police")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Police   2348
## 2 Music   Police    488
## 3 ONA     Police    659
## 4 OVA     Police   3311
## 5 Special Police   1676
## 6 TV      Police   3787
## 7 <NA>    Police     25

dumcount("Thriller")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname      n
##   <chr>   <chr>    <int>
## 1 Movie   Thriller  2348
## 2 Music   Thriller   488
## 3 ONA     Thriller   659
## 4 OVA     Thriller  3311
## 5 Special Thriller  1676
## 6 TV      Thriller  3787
## 7 <NA>    Thriller    25

dumcount("Parody")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Parody   2348
## 2 Music   Parody    488
## 3 ONA     Parody    659
## 4 OVA     Parody   3311
## 5 Special Parody   1676
## 6 TV      Parody   3787
## 7 <NA>    Parody     25

dumcount("Supernatural")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname          n
##   <chr>   <chr>        <int>
## 1 Movie   Supernatural  2348
## 2 Music   Supernatural   488
## 3 ONA     Supernatural   659
## 4 OVA     Supernatural  3311
## 5 Special Supernatural  1676
## 6 TV      Supernatural  3787
## 7 <NA>    Supernatural    25

dumcount("Seinen")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Seinen   2348
## 2 Music   Seinen    488
## 3 ONA     Seinen    659
## 4 OVA     Seinen   3311
## 5 Special Seinen   1676
## 6 TV      Seinen   3787
## 7 <NA>    Seinen     25

dumcount("Samurai")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Samurai  2348
## 2 Music   Samurai   488
## 3 ONA     Samurai   659
## 4 OVA     Samurai  3311
## 5 Special Samurai  1676
## 6 TV      Samurai  3787
## 7 <NA>    Samurai    25

dumcount("Super Power")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname         n
##   <chr>   <chr>       <int>
## 1 Movie   Super Power  2348
## 2 Music   Super Power   488
## 3 ONA     Super Power   659
## 4 OVA     Super Power  3311
## 5 Special Super Power  1676
## 6 TV      Super Power  3787
## 7 <NA>    Super Power    25

dumcount("Vampire")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Vampire  2348
## 2 Music   Vampire   488
## 3 ONA     Vampire   659
## 4 OVA     Vampire  3311
## 5 Special Vampire  1676
## 6 TV      Vampire  3787
## 7 <NA>    Vampire    25

dumcount("Josei")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Josei    2348
## 2 Music   Josei     488
## 3 ONA     Josei     659
## 4 OVA     Josei    3311
## 5 Special Josei    1676
## 6 TV      Josei    3787
## 7 <NA>    Josei      25

dumcount("Hentai")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Hentai   2348
## 2 Music   Hentai    488
## 3 ONA     Hentai    659
## 4 OVA     Hentai   3311
## 5 Special Hentai   1676
## 6 TV      Hentai   3787
## 7 <NA>    Hentai     25

dumcount("Yaoi")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Yaoi     2348
## 2 Music   Yaoi      488
## 3 ONA     Yaoi      659
## 4 OVA     Yaoi     3311
## 5 Special Yaoi     1676
## 6 TV      Yaoi     3787
## 7 <NA>    Yaoi       25

dumcount("Space")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Space    2348
## 2 Music   Space     488
## 3 ONA     Space     659
## 4 OVA     Space    3311
## 5 Special Space    1676
## 6 TV      Space    3787
## 7 <NA>    Space      25

dumcount("Shoujo Ai")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname       n
##   <chr>   <chr>     <int>
## 1 Movie   Shoujo Ai  2348
## 2 Music   Shoujo Ai   488
## 3 ONA     Shoujo Ai   659
## 4 OVA     Shoujo Ai  3311
## 5 Special Shoujo Ai  1676
## 6 TV      Shoujo Ai  3787
## 7 <NA>    Shoujo Ai    25

dumcount("Shounen Ai")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname        n
##   <chr>   <chr>      <int>
## 1 Movie   Shounen Ai  2348
## 2 Music   Shounen Ai   488
## 3 ONA     Shounen Ai   659
## 4 OVA     Shounen Ai  3311
## 5 Special Shounen Ai  1676
## 6 TV      Shounen Ai  3787
## 7 <NA>    Shounen Ai    25

dumcount("Yuri")

## # A tibble: 7 × 3
## # Groups:   type [7]
##   type    colname     n
##   <chr>   <chr>   <int>
## 1 Movie   Yuri     2348
## 2 Music   Yuri      488
## 3 ONA     Yuri      659
## 4 OVA     Yuri     3311
## 5 Special Yuri     1676
## 6 TV      Yuri     3787
## 7 <NA>    Yuri       25

Question 11.10

#On réalise une fonction pour sortir un dataframe donnant le top 10 des notes pour chaque genre.

rating_topten <- function(x){
  df10 <- animes_bonus %>% 
  filter(x == 1) %>% 
  arrange(desc(rating)) %>% 
  slice(1:10)
  return(df10)
  
  }

top1 <- rating_topten(animes_bonus$Drama)
top2 <- rating_topten(animes_bonus$Action)
top3 <- rating_topten(animes_bonus$Adventure)
top4 <- rating_topten(animes_bonus$Fantasy)
top5 <- rating_topten(animes_bonus$Comedy) #il n'y a pas de top 10
top6 <- rating_topten(animes_bonus$Sci_Fi)
top7 <- rating_topten(animes_bonus$Military)
top8 <- rating_topten(animes_bonus$Romance)
top9 <- rating_topten(animes_bonus$Mystery)
top10 <- rating_topten(animes_bonus$Dementia)
top11 <- rating_topten(animes_bonus$Music)
top12 <- rating_topten(animes_bonus$Mecha)
top13 <- rating_topten(animes_bonus$School)
top14 <- rating_topten(animes_bonus$Game)
top15 <- rating_topten(animes_bonus$Historical)
top16 <- rating_topten(animes_bonus$Cars)
top17 <- rating_topten(animes_bonus$Shounen)
top18 <- rating_topten(animes_bonus$Harem)
top19 <- rating_topten(animes_bonus$Horror)
top20 <- rating_topten(animes_bonus$Martial_Arts)
top21 <- rating_topten(animes_bonus$Ecchi)
top22 <- rating_topten(animes_bonus$Kids)
top23 <- rating_topten(animes_bonus$Slice_of_Life)
top24 <- rating_topten(animes_bonus$Demons)
top25 <- rating_topten(animes_bonus$Magic)
top26 <- rating_topten(animes_bonus$Sports)
top27 <- rating_topten(animes_bonus$Shoujo)
top28 <- rating_topten(animes_bonus$Psychological)
top29 <- rating_topten(animes_bonus$Police)
top30 <- rating_topten(animes_bonus$Thriller)
top31 <- rating_topten(animes_bonus$Parody)
top32 <- rating_topten(animes_bonus$Supernatural)
top33 <- rating_topten(animes_bonus$Seinen)
top34 <- rating_topten(animes_bonus$Samurai)
top35 <- rating_topten(animes_bonus$Super_Power)
top36 <- rating_topten(animes_bonus$Vampire)
top37 <- rating_topten(animes_bonus$Josei)
top38 <- rating_topten(animes_bonus$Hentai)
top39 <- rating_topten(animes_bonus$Yaoi)
top40 <- rating_topten(animes_bonus$Space)
top41 <- rating_topten(animes_bonus$Shoujo_Ai)
top42 <- rating_topten(animes_bonus$Shounen_Ai)
top43 <- rating_topten(animes_bonus$Yuri)

#On regroupe les 43 dataframes obtenu dans un seul nommé animes_topten.

animes_topten <- rbind(top1,top2, top3, top4, top5, top6, top7, top8, top9, top10, top11, top12, top13, top14, top15, top16,
                       top17, top18, top19, top20, top21, top22, top23, top24, top25, top26, top27, top28, top29, top30,
                       top31, top32, top33, top34, top35, top36, top37, top38, top39, top40, top41, top42, top43)

#On réalise une fonction qui affiche un barchart des 10 premiers anime selon la notation, par genre.

top_plot <- function(x){
  animes_topten %>%
    filter(x == 1) %>%
    arrange(desc(rating)) %>% 
    slice(1:10) %>%
    ggplot() + 
    geom_col(aes(x = name, y = rating, fill = name), position = "dodge") +
    theme(plot.title = element_text(hjust = 0.5)) +
    theme_linedraw() +
    theme(legend.position = "right") +
    theme(axis.text.x = element_blank(),
          axis.ticks.x = element_blank())
}
top_plot(animes_topten$Drama)

top_plot(animes_topten$Action)

top_plot(animes_topten$Adventure)

top_plot(animes_topten$Comedy)

top_plot(animes_topten$Fantasy)

top_plot(animes_topten$Sci_Fi)

top_plot(animes_topten$Military)

top_plot(animes_topten$Romance)

top_plot(animes_topten$Mystery)

top_plot(animes_topten$Dementia)

top_plot(animes_topten$Music)

top_plot(animes_topten$Mecha)

top_plot(animes_topten$School)

top_plot(animes_topten$Game)

top_plot(animes_topten$Historical)

top_plot(animes_topten$Cars)

top_plot(animes_topten$Shounen)

top_plot(animes_topten$Harem)

top_plot(animes_topten$Horror)

top_plot(animes_topten$Martial_Arts)

top_plot(animes_topten$Ecchi)

top_plot(animes_topten$Kids)

top_plot(animes_topten$Slice_of_Life)

top_plot(animes_topten$Demons)

top_plot(animes_topten$Magic)

top_plot(animes_topten$Sports)

top_plot(animes_topten$Shoujo)

top_plot(animes_topten$Psychological)

top_plot(animes_topten$Police)

top_plot(animes_topten$Thriller)

top_plot(animes_topten$Parody)

top_plot(animes_topten$Supernatural)

top_plot(animes_topten$Seinen)

top_plot(animes_topten$Samurai)

top_plot(animes_topten$Super_Power)

top_plot(animes_topten$Vampire)

top_plot(animes_topten$Josei)

top_plot(animes_topten$Hentai)

top_plot(animes_topten$Yaoi)

top_plot(animes_topten$Space)

top_plot(animes_topten$Shoujo_Ai)

top_plot(animes_topten$Shounen_Ai)

top_plot(animes_topten$Yuri)

Partie 2

Proposer une application shiny avec ces données. Vous mettrez en avant l’utilité de votre application (thème et problématique libre). L’application devra être déployée sur shinyapps.io.

Pour répondre à cette deuxième partie, nous avons réalisé une application shiny. Celle ci à pour but d’informer l’utilisateur sur les animes : elle comprend des définitions sur différents termes récurrents et des statistiques descriptives. L’application est assez intuitive, et est destinée à tout individus qui souhaite en apprendre plus sur l’univers de l’animation japonaise. Parallèlement, l’utilisateur aura aussi la possibilité d’enregistrer une liste d’anime à regarder.

Elle est disponible sur le lien : https://showiz.shinyapps.io/Animes_BRISSARD_TSO/